拋棄角色劇本：Agent 系統的未來在於自組織協作

在建構多 Agent 系統時，許多開發者（包含我自己）的直覺反應，是先定義好每個 Agent 的「角色」。我們會設想一個團隊，有負責研究的、有負責寫作的、有負責程式碼的、還有一個負責整合的專案經理。這種作法看似合理，因為它模仿了人類的組織結構。

然而，一篇新的研究論文挑戰了這個基本假設，並指出真正高效的 Agent 系統，其關鍵或許不在於我們預先寫好的角色劇本，而在於建立一個能讓 Agent 自行探索能力、分配任務並形成協作模式的「組織機制」。

這意味著，我們應該從劇作家轉變為組織設計師。與其煞費苦心設計完美的角色卡（prompt），不如專注於打造一個環境，讓能力驅動的自發性協作成爲可能。這不僅更有效率，也更能應對複雜多變的真實世界任務。

為什麼我們總想預設 Agent 的角色？

為 Agent 設定角色，是一種將複雜問題簡化的有效方法。當我們面對一個龐大的任務，例如「分析市場趨勢並撰寫一份完整的產業報告」，將它拆解成幾個熟悉的職能——資料分析師、市場研究員、資深撰稿人——會讓我們感到更有掌控感。

這種思路在許多現行的框架中都能看到，例如 LangChain 的 Agent 實作範例，常常就是從定義特定角色的 Agent 開始。

這種作法有幾個顯而易見的好處：

• 可預測性： 我們大致知道每個 Agent 會做什麼，系統的行為比較容易預測與除錯。
• 易於理解： 這種模型直接對應人類的工作經驗，容易向團隊或利益關係人解釋。
• 快速啟動： 撰寫幾個角色 prompt，就能快速搭建出一個看似分工明確的系統原型。

然而，這種「人為設計」的結構也帶來了隱藏的成本。我們預設的角色劃分，可能根本不是解決特定問題的最佳方式。它限制了 Agent 發揮潛在能力的可能性，也讓系統變得僵化，難以適應任務需求微小的變化。我們等於是強迫一群聰明的員工，嚴格按照一本過時的組織章程辦事，而忽略了他們或許能自己找到更好的合作方法。

研究告訴我們什麼：自組織的驚人效率

一篇於 2026 年 3 月發表的論文 《Drop the Hierarchy and Roles: How Self-Organizing LLM Agents Outperform Designed Structures》 為這個觀點提供了強力的數據支持。研究團隊發現，當給予一個由多個 LLM Agent 組成的「池子」（a pool of agents）一個複雜任務，但不預先設定任何角色或層級時，這些 Agent 會自發地進行分工，並形成一個動態的、任務導向的層級結構。

這個自組織系統的表現，不僅優於人為設計的固定層級結構（例如，一個「經理」Agent 領導數個「員工」Agent），更展現出驚人的資源效率。研究指出，使用開源模型所建構的自組織團隊，能以極低的成本，達到由頂尖閉源模型組成的團隊 95% 的任務品質。

這項發現的意義是深遠的。它告訴我們，大型語言模型（特別是能力較強的模型）本身就具備了某種程度的「組織智慧」。它們能夠在協作過程中，評估任務需求、辨識同伴（或自己）的相對優勢，並動態調整工作流程。我們過去費心設計的「角色」，反而可能成為一種束縛，阻礙了這種 emergent intelligence 的發揮。

如何從「角色設計」轉向「機制設計」？

既然預設角色並非最佳解，那麼我們在建構多 Agent 系統時，應該將焦點轉向何處？答案是「機制設計」（Mechanism Design）。我們的工作不再是分配角色，而是設計一套能促進有效協作的規則與環境。這套機制至少應包含三個核心要素：

1. 能力辨識 (Capability Discovery): 系統需要一個方法，讓 Agent 能夠「知道」自己與其他 Agent 擅長什麼。這不一定需要複雜的元認知（meta-cognition）prompt，有時可以透過分析過去處理子任務的成功率、速度或產出品質來動態評估。
2. 任務路由 (Task Routing): 當一個新任務或子任務出現時，它應該被分配給誰？一個好的機制會像一個內部市場，讓最適合的 Agent「接下」任務，而不是由一個固定的「經理」來指派。這確保了資源總是被導向最有效率的地方。
3. 協作協議 (Collaboration Protocol): Agent 之間如何溝通、傳遞資訊、請求協助、以及解決衝突？這套協議就是 Agent 們的 API。許多公司如 Anthropic 在探討如何建構高效 Agent 時，也強調了這些底層互動的重要性。

從這個角度來看，我們的工作變得更像是在設計一個經濟體或一個城市，而不是在排演一齣戲。我們設定好基礎設施、法律（協議）與市場規則，然後讓居民（Agent）在其中自由互動，創造出我們未曾預想到的價值。這種系統雖然初期可能更難預測，但其彈性、擴展性與適應性，將遠遠超過僵化的角色扮演系統。

同時，這也對系統的可靠性與安全性提出了更高的要求，需要參考如 NIST AI 風險管理框架 等原則，確保系統的行為在可控範圍內，並符合如 OECD AI 原則 所倡導的透明與問責標準。

總結來說，這份研究提醒了我們，在 AI Agent 的世界裡，賦予其自主性與良好的協作環境，往往比為它們戴上我們設計好的帽子更為重要。下一次當你準備建構一個多 Agent 系統時，或許可以先放下角色劇本，試著思考：我該如何設計一個能讓智慧自行湧現的組織機制？

延伸閱讀

• Drop the Hierarchy and Roles: How Self-Organizing LLM Agents Outperform Designed Structures (arXiv:2603.28990)

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。